基于卷积网络结合自注意力机制的传感器故障识别方法技术

本发明专利技术涉及一种基于卷积网络结合自注意力机制的传感器故障识别方法，方法包括以下步骤：使用振动传感器采集传动系统的信号，应用经验模式分解(Empirical mode decomposition，EMD)提取内涵模态分量(Intrinsic Mode Functions，IMF)构造输入矩阵；将输入矩阵输入到四层卷积神经网络CNN，提取信号的空间特征；再将提取到的特征输入到自注意力模块中，对空间特征进行全局关系建模，捕捉特征的长时间依赖性；最后将振动信号的时空特征输入到线性分类器中进行分类，可以准确快速地检测出传感器故障。该模型可避免由于传感器故障导致的诊断系统故障误判，提高设备的运转效率。运转效率。运转效率。

【技术实现步骤摘要】
基于卷积网络结合自注意力机制的传感器故障识别方法


[0001]本专利技术属于传感器故障诊断
，具体涉及一种基于卷积网络结合自注意力机制的传感器故障识别方法。

技术介绍

[0002]通过振动信号对故障进行分析是目前机械故障诊断领域应用最广泛的诊断方式，因为机械外部的振动往往可以反映出机械内部的故障。但是，振动传感器在工作过程中也会出现故障，直接对后续的信号分析产生影响。传感器故障会导致设备诊断系统对故障出现误判，进而导致装备停机造成生产事故。因此对振动传感器进行快速准确的故障诊断是至关重要的。
[0003]由数据驱动的智能诊断方法被认为是一种有效的方法。传统的智能诊断方法需要手工设计特征，然后将特征输入到分类器中进行分类。这种方法严重依赖于专家知识，且手工特征的提取耗时耗力，效率比较低。深度学习可以将特征提取和特征分类两个过程融合到一起，实现端到端的故障诊断。目前的大多数应用深度学习的故障诊断方法使用卷积神经网络(Convolutional neural network，CNN)模型，过分关注了振动信号的局部相关性。而传感器的故障信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积网络结合自注意力机制的传感器故障识别方法，其特征在于，其包括以下步骤：S1：使用传感器采集传动系统的信号，并拟合传感器故障数据，将传感器的数据分为四个类别，对应传感器正常数据和三种故障类型数据；S2：对四个类别的数据进行EMD分解，提取前三个IMF分量和最后一个IMF分量作为数据的原始特征，同时将数据划分为训练集和测试集；S3：将训练集数据输入到4层一维卷积神经网络以提取空间特征；S4：继续将所述空间特征输入到自注意力模块网络中以得到融合的信号时空特征，自注意力模块由两层编码层组成，每个编码块包括捕捉信号的长时间依赖性的子自注意力层和前馈网络层；S5：将融合特征输入到全连接层分类器中进行分类，并保存最佳模型；S6：将测试集输入到最佳模型中以对传感器故障进行诊断。2.根据权利要求1所述的方法，其特征在于，优选的，步骤S1中，振动传感器采集来自于行星齿轮箱的振动信号，在采集的振动信号中注入软漂移故障、周期性干扰故障和偏差故障的三种故障模式。3.根据权利要求1所述的方法，其特征在于，步骤S2中，对每一个数据进行经验模式EMD分解获得本征模态函数，并挑选前三个IMF分量和最后一个IMF分量构造4
×
1000的输入样本作为原始特征，为四种模式的传感器信号打上0，1...

【专利技术属性】
技术研发人员：严如强，李亚松，孙闯，杨远贵，许洪，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：